論文の概要: Improved Stock Price Movement Classification Using News Articles Based
on Embeddings and Label Smoothing
- arxiv url: http://arxiv.org/abs/2301.10458v1
- Date: Wed, 25 Jan 2023 08:33:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-26 15:38:02.054342
- Title: Improved Stock Price Movement Classification Using News Articles Based
on Embeddings and Label Smoothing
- Title（参考訳）: 埋め込みとラベル平滑化に基づくニュース記事を用いた株価変動分類の改善
- Authors: Luis Villamil, Ryan Bausback, Shaeke Salman, Ting L. Liu, Conrad Horn,
Xiuwen Liu
- Abstract要約: 本稿では,ディープラーニングの正規化と最適化手法を取り入れて,ニュース記事を用いた株価変動の分類を改善することを提案する。
さらに、トレーニングモデルの一般化を改善するため、重量減衰、バッチ正規化、ドロップアウト、ラベル平滑化を取り入れた。
一般的に使用されるデータセットに対する実験結果から,テストセットの平均精度は80.7%に達し,大幅な改善が得られた。
- 参考スコア（独自算出の注目度）: 1.8920934738244022
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Stock price movement prediction is a challenging and essential problem in
finance. While it is well established in modern behavioral finance that the
share prices of related stocks often move after the release of news via
reactions and overreactions of investors, how to capture the relationships
between price movements and news articles via quantitative models is an active
area research; existing models have achieved success with variable degrees. In
this paper, we propose to improve stock price movement classification using
news articles by incorporating regularization and optimization techniques from
deep learning. More specifically, we capture the dependencies between news
articles and stocks through embeddings and bidirectional recurrent neural
networks as in recent models. We further incorporate weight decay, batch
normalization, dropout, and label smoothing to improve the generalization of
the trained models. To handle high fluctuations of validation accuracy of batch
normalization, we propose dual-phase training to realize the improvements
reliably. Our experimental results on a commonly used dataset show significant
improvements, achieving average accuracy of 80.7% on the test set, which is
more than 10.0% absolute improvement over existing models. Our ablation studies
show batch normalization and label smoothing are most effective, leading to
6.0% and 3.4% absolute improvement, respectively on average.
- Abstract（参考訳）: 株価変動予測は金融において困難かつ不可欠な問題である。
現代の行動ファイナンスでは、関連株の株価が、投資家の反応や過剰反応を通じてニュースの公開後に動くことがしばしばあるが、価格変動とニュース記事との関係を定量的モデルで捉える方法は活発な分野研究であり、既存のモデルも変動度で成功を収めている。
本稿では,ディープラーニングから正規化と最適化手法を取り入れ,ニュース記事を用いた株価変動分類を改善することを提案する。
具体的には、最近のモデルのように、埋め込みや双方向のリカレントニューラルネットワークを通じて、ニュース記事と在庫間の依存関係をキャプチャする。
さらに,重みの減衰,バッチ正規化,ドロップアウト,ラベル平滑化を取り入れ,モデルの一般化を図る。
バッチ正規化の検証精度の高ゆらぎに対処するために,この改善を確実に実現するために,二相訓練を提案する。
一般的なデータセットに対する実験結果から,テストセットの平均精度は80.7%であり,既存のモデルよりも10.0%以上向上していることがわかった。
本研究はバッチ正規化とラベル平滑化が最も効果的であり,平均で6.0%と3.4%の絶対改善率を示した。
関連論文リスト
- AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。
本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。
提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-30T15:06:57Z) - Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳（メタデータ） (2024-02-25T05:23:57Z) - BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳（メタデータ） (2023-12-26T08:14:46Z) - Towards systematic intraday news screening: a liquidity-focused approach [1.688090639493357]
毎日大量のニュース記事が発行されているが、そのほとんどは中立的であり、我々は真の効果のあるニュースを識別するための体系的なニューススクリーニング方法を提案する。
スクリーニングされたデータセットは、より効率的な特徴キャプチャを実現し、短期資産返却予測において優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-11T10:14:48Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。